近刊検索 デルタ

2018年8月29日発売

マイナビ出版

OpenCVとPythonによる機械学習プログラミング

このエントリーをはてなブックマークに追加
内容紹介
機械学習の知識を深めスキルを強化したい方に
・OpenCV+scikit-learnで機械学習プログラミングを実践マスター
・統計的学習の本質的概念、決定木、サポートベクタマシン、ベイジアンネットワークなど様々なアルゴリズムとOpenCVを組み合わせて使う方法をわかりやすく解説!
目次
はしがき
まえがき
訳者より・謝辞


1章 機械学習を味見してみよう
1.1 機械学習ことはじめ
1.2 機械学習で解くことのできる問題
1.3 Pythonをはじめよう
1.4 OpenCVをはじめよう
1.5 インストール
1.6 まとめ

2章 OpenCVとPythonによるデータ操作
2.1 機械学習の流れを理解する
2.2 OpenCVとPythonを使ってデータを扱う
2.3 まとめ

3章 教師あり学習の初歩
3.1 教師あり学習を理解する
3.2 クラスラベルを予測するために分類モデルを使用する
3.3 回帰モデルを使用して連続的な数値を予測する
3.4 ロジスティック回帰を用いたアヤメの分類
3.5 まとめ

4章 データ表現と特徴量エンジニアリング
4.1 特徴量エンジニアリングを理解する
4.2 データの前処理を行う
4.3 次元削減を理解する
4.4 テキスト特徴を表現する
4.5 画像を表現する
4.5 まとめ

5章 医療診断をするための決定木の使用
5.1 決定木を理解する
5.2 乳癌診断へ決定木を用いる
5.3 回帰のために決定木を使用する
5.4 まとめ

6章 サポートベクタマシン(SVM)による歩行者の検出
6.1 サポートベクタマシンを実装してみよう
6.2 非線形決定境界の導入
6.3 風景画像から歩行者を検出する
6.4 まとめ

7章 ベイズ学習による迷惑メールフィルタの実装
7.1 ベイズ推論を理解する
7.2 初めてベイズ分類器を実装する
7.3 Eメールを単純ベイズ分類器で分類する
7.4 まとめ

8章 教師なし学習で隠れた構造を発見する
8.1 教師なし学習を理解する
8.2 k-meansクラスタリングを理解する
8.3 期待値最大化を理解する
8.4 k-means法を用いた色空間の圧縮
8.5 k-meansを使用して手書き数字を分類する
8.6 クラスターを階層木として構造化する
8.7 まとめ

9章 深層学習による手書き数字分類
9.1 深層学習による手書き数字分類
9.2 パーセプトロンを理解する
9.3 最初のパーセプトロンを実装する
9.4 多層パーセプトロンを理解する
9.5 深層学習に慣れる
9.6 手書き数字を分類する
9.6 まとめ

10章 深層学習による手書き数字分類
10.1 アンサンブル法を理解する
10.2 決定木を組み合わせてランダムフォレストを作成する
10.3 顔認識のためにランダムフォレストを利用する
10.4 AdaBoostを実装する
10.5 複数のモデルを投票による分類器として統合する
10.6 まとめ

11章 ハイパーパラメータチューニングと適切なモデルの選択
11.1 モデルの評価
11.2 交差検証法を理解する
11.3 ブートストラップ法による頑健性の推定
11.4 評価結果の有意性の検証
11.5 グリッドサーチによるハイパーパラメータのチューニング
11.6 いろいろな評価指標によるモデルの評価
11.7 各種アルゴリズムの連結によるパイプラインの形成
11.8 まとめ

12章 仕上げ
12.1 機械学習問題へのアプローチ
12.2 独自の推定器の構築
12.3 これから
12.4 まとめ

索引
著者略歴
Michael Beyeler(マイケルベイヤラー)
Michael Beyeler(マイケル・ベイヤラー) カリフォルニア大学アーバイン校でコンピュータサイエンスの博士号、チューリッヒ工科大学で電気工学の理学士号(BSc)、バイオメディカルエンジニアリングの理修士号(MSc)を取得。ワシントン大学の神経工学とデータ科学の研究員。人工網膜を埋め込んだ患者の知覚体験改善のため、バイオニック視覚の計算モデルに取り組んでいる。著書に「OpenCV with Python Blueprints」(Packt Publishing, 2015)がある。趣味は雪山登山、バンドのコンサート、ピアノ。

※近刊検索デルタの書誌情報はopenBDのAPIを使用しています。

※近刊検索デルタの書誌情報はopenBDのAPIを利用しています。